1D U-Net
PulseAugur coverage of 1D U-Net — every cluster mentioning 1D U-Net across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Pocket-STVG 提供高效的时空视频精确定位
研究人员开发了 Pocket-STVG (P-STVG)，一种专为时空视频精确定位 (STVG) 设计的新型轻量级架构。该系统旨在准确地在视频中定位与自然语言查询相对应的时空区域。P-STVG 通过高效地组合预训练组件来实现这一点，包括基于 MobileViCLIP 的时域感知视频编码器和源自 MDETR 的空间编码器-解码器，而不是依赖大型的端到端模型。该架构的参数少于 9000 万个，并提供了有利的性能-效率权衡，其性能与现有的弱…
-
扩散模型生成逼真的电动汽车电池电流曲线
研究人员开发了一种条件扩散模型，旨在生成逼真的电动汽车（EV）电池电流曲线。该框架使用一维 U-Net 主干和潜在条件编码器，将速度和温度等路线特征映射到共享表示中，从而指导扩散过程。在包含 12,000 次行程的数据集上进行评估，该模型在直接条件注入方面表现出显著的改进，Wasserstein 距离减少了 89.1%，平均绝对误差（MAE）减少了 52.8%。这种生成方法为运营环境中的不确定性感知车队规划奠定了基础。
-
SketchFlow 使用最优传输和流匹配从文本生成矢量草图
研究人员推出了一种名为SketchFlow的新生成框架，用于根据文本提示创建矢量草图。该方法利用最优传输理论和流匹配直接在CLIP潜在空间中映射文本概念。为了处理文本和草图特征之间的差距，SketchFlow将噪声注入类别嵌入以形成高斯混合模型（GMM）先验，然后使用最优传输条件流匹配模型将其映射到草图特征。混合扩散解码器结合了一维U-Net和Transformer架构，生成最终的笔画轨迹。实验表明，SketchFlow在视觉质量和人…
-
DiffEEG模型利用扩散和强化学习以更少的数据进行癫痫检测
研究人员开发了DiffEEG，这是一种自监督基础模型，旨在改进基于脑电图（EEG）的癫痫检测，尤其是在标记数据有限和类别不平衡的情况下。该模型利用去噪扩散预训练和强化学习从无标签的脑电图片段中学习通用神经表示。这种方法可以有效地适应下游任务，优先检测罕见的癫痫发作事件，并即使在标记数据最少的情况下也表现出临床上可行的性能。